基于时空约束密度聚类的停留点识别方法

轨迹停留点的识别是轨迹分析、出行活动语义挖掘的关键。针对基于密度聚类的停留点识别方法对时空信息的表达缺陷,提出新的时空约束停留点识别方法,在密度聚类中引入轨迹的间接时空特征表示,将具有时空相似性的轨迹点进行聚合;采用与聚类过程相统一的时空特征约束对轨迹簇进行细粒度识别。算法在进行约束的时候再次利用到聚类时候所用的输入数据特征,特征的充分利用提高了识别的准确率。实验结果验证了本文方法的有效性。     

基于时空周期模式挖掘的活动语义识别方法

传统的活动语义识别研究侧重从时空轨迹的空间信息中提取人类的活动语义,对时空轨迹数据的时间特性挖掘不足。本文兼顾时间和空间特征,提出了一种基于周期模式挖掘的活动语义识别方法。首先将分离出的活动轨迹数据通过空间距离进行密度聚类分成不同轨迹簇;然后,根据轨迹簇的时序特征挖掘个体对特定位置的访问周期,基于该访问周期,并结合在该位置的停留时间,及其附近兴趣点分布等特征构建分类模型,识别人类个体的活动语义。基于签到数据和仿真数据的实验结果表明,结合周期特征的活动语义识别方法相比没有加入周期特征的实验结果有效提升识别精度20%以上,在2个相同的签到数据集下,对比其他的识别方法提升精度10%以上。     

基于时空约束密度聚类的职住地识别方法

为了从移动终端位置数据中精准识别居民职住地,提出了一种基于时空约束密度聚类的职住地识别方法。首先,利用基于K-means的DBSCAN（density-based spatial clustering of applications with noise）时空驻点聚类过程将居民多天的原始轨迹点分成不同的时空驻点簇。然后,利用基于速度阈值的停留点簇和移动点簇识别过程将居民的每一个时空驻点簇区分为停留点簇或移动点簇。接着,利用基于K近距离的DBSCAN重要停留点聚类过程将居民的停留点分成不同的重要停留点簇。最后,利用基于KD-tree优化的KNN（K-nearest neighbor）职住地识别过程将居民的每个重要停留点识别为工作地、居住地、职住同一区域或兴趣地点区域。实验结果表明,该方法的每个过程都是合理有效的,并且最终的职住地识别效果要优于时间阈值法、累加时间法和信息熵法。     

基于速度的轨迹停留点识别算法

轨迹中的停留点识别是将空间轨迹转换为语义轨迹的关键步骤.当前轨迹停留点识别方法缺少对轨迹记录点时间连续性的考虑,导致识别出的停留点缺乏时间信息.同时,在轨迹点缺失的情况下,停留点信息也无法被准确识别.针对上述问题,本文提出一种基于速度的时空聚类方法,首先通过缺失轨迹的时空特性确定真实缺失子轨迹,并根据缺失轨迹的平均速度对其进行插值填充,再结合轨迹速度特征和时空特性识别轨迹中的停留点.实验采用GeoLife轨迹数据集对所提出的方法进行验证,结果表明,该算法能够有效地识别用户的停留点,并对轨迹中的干扰具有一定的鲁棒性.     

基于时空模式的轨迹数据聚类算法

针对轨迹聚类算法在相似性度量中多以空间特征为度量标准,缺少对时间特征的度量,提出了一种基于时空模式的轨迹数据聚类算法。该算法以划分再聚类框架为基础,首先利用曲线边缘检测方法提取轨迹特征点;然后根据轨迹特征点对轨迹进行子轨迹段划分;最后根据子轨迹段间时空相似性,采用基于密度的聚类算法进行聚类。实验结果表明,使用所提算法提取的轨迹特征点在保证特征点具有较好简约性的前提下较为准确地描述了轨迹结构,同时基于时空特征的相似性度量因同时兼顾了轨迹的空间与时间特征,得到了更好的聚类结果。     

基于人群出行行为轨迹的城市功能区识别

城市功能区识别对于城市规划和管理具有重要的支撑作用,目前大部分研究主要依赖于影像和兴趣点（POI）分布数据进行识别,但多将区域内不同出行行为的人群混杂在一起,没有考虑不同群体对区域产生的不同影响。结合物以类聚、人以群分的思想构建城市功能区识别模型UFAI,通过学习不同功能区人群出行活动的特征识别相应功能区。基于大样本粗粒度的匿名轨迹数据,刻画并提取个体出行特征,依据个体的出行特征划分人群类型。在此基础上,构建并训练多任务深度学习模型,实现城市功能区识别。选取北京市2 000万匿名用户10个月的手机信令数据作为人群出行轨迹数据,使用UFAI模型进行计算,并与决策树、随机森林、集成学习梯度提升决策树等7种传统分类模型进行对比。实验结果表明,UFAI模型的F1值达到0.95,与对比模型相比提升了0.10~0.29,具有更好的识别性能。     

基于时空单词的两人交互行为识别方法

文中提出一种基于时空单词的两人交互行为识别方法,该方法从行为视频中提取丰富的时空兴趣点,基于人体剪影的连通性分析和时空兴趣点的历史信息,把时空兴趣点划分给不同的人体,并在兴趣点样本空间聚类生成时空码本(spatial-temporal codebook).对于给定的时空兴趣点集,通过投票得到表示单人原子行为的时空单词(spatial-temporal words).采用条件随机场模型建模单人原子行为,在两人交互行为的语义建模过程中,人工建立表示领域知识(domain knowledge)的一阶逻辑知识库,并训练马尔可夫逻辑网用以两人交互行为的推理.两人交互行为库上的实验结果证明了该方法的有效性.     

基于改进时空兴趣点特征的双人交互行为识别

针对实际监控视频下双人交互行为的兴趣点特征选取不理想,且聚类词典中冗余单词导致识别率不高的问题,提出一种基于改进时空兴趣点（STIP）特征的交互行为识别方法。首先,引入基于信息熵的不可跟踪性检测方法,对序列图像进行跟踪得到交互动作的前景运动区域,仅在此区域内提取时空兴趣点以提高兴趣点检测的准确性。其次采用3维尺度不变特性转换（3D-SIFT）描述子对检测得到的兴趣点进行表述,利用改进的模糊C均值聚类方法得到视觉词典,以提升词典的分布特性;在此基础上建立词袋模型,即将训练集样本向词典进行投影得到每帧图像的直方图统计特征表示。最后,采用帧帧最近邻分类方法进行双人交互动作识别。在UT-interaction数据库上进行测试,该算法得到了91.7%的正确识别率。实验结果表明,通过不可跟踪性检测得到的时空兴趣点的改进词袋算法可以较大程度提高交互行为识别的准确率,并且适用于动态背景下的双人交互行为识别。     

手机信令的时空密度轨迹点识别算法

手机信令具有时空序列性以及数据量大、采样频率不均、定位精度低与基站振荡等特点,导致传统手机信令聚类方法数据密度分布不均、时空开销大且聚类效果差。提出一种用于手机信令的时空密度轨迹点识别算法。将手机信令数据网格化以统一评估尺度,根据振荡噪声特征对网格簇进行时空联结减少空间不确定性和计算量,结合网络轨迹的曲折性以及移动与停留时间重新定义网格簇内轨迹点时空移动能力,计算网格簇的时空密度以判断用户停留区域,并采集具有移动停留标签的轨迹数据以验证算法有效性和识别效率。实验结果表明,该算法识别精度较改进DBSCAN算法更高,适用于识别手机信令数据停留区域,对复杂轨迹停留区域的识别效果更好。     

基于海量牧区羊群轨迹的区域属性挖掘研究*

现代畜牧业在实际放牧过程中由定位设备产生海量轨迹数据。为了从牧区日常移动轨迹中挖掘出潜在有用价值,提出一种新的基于速度扰动划分与聚类方法。该方法首先将连续定位轨迹段以速度扰动方式进行划分,设置速度扰动阈值,区分牲畜兴趣点及运动状态,并借助于聚类方法将地理位置上相似轨迹点进行聚类进而检测牲畜运动兴趣点。结合核密度分析法对聚类轨迹点进行强度可视化展示。同时,为满足处理海量轨迹数据算法需求,搭建云计算平台进行数据挖掘。理论与实验表明,本文提出的方法可以有效从海量草原牲畜运动轨迹中发现其不同兴趣区域及强度关系,并对后续相关研究具有指导意义。